知识图谱上下文增强的多样化推荐
信息检索
2024-04-23 v2 机器学习
摘要
推荐系统(RecSys)领域已被广泛研究,以利用用户的历史交互来提升准确性。然而,这种对准确性的持续追求常常导致多样性降低,最终引发众所周知的“信息茧房”现象。多样化RecSys作为一种对策应运而生,将多样性与准确性置于同等地位,并获得了学术界和工业界的显著关注。本研究在知识图谱(KG)的复杂背景下探索多样化RecSys领域。这些KG充当有关实体和物品的互联信息存储库,通过引入有洞察力的上下文信息,为提升推荐多样性提供了有利途径。我们的贡献包括提出一种创新指标——实体覆盖率和关系覆盖率,其有效量化了KG领域内的多样性。此外,我们引入了多样化嵌入学习(DEL)模块,精心设计为形成具有内在多样性感知的用户表示。与此同时,我们提出一种名为条件对齐与均匀性(CAU)的新技术,其能在保持上下文完整性的同时巧妙编码KG物品嵌入。总体而言,我们的贡献标志着在KG赋能的RecSys范式内拓展推荐多样性图景方面迈出了实质性一步。
引用
@article{arxiv.2310.13253,
title = {Knowledge Graph Context-Enhanced Diversified Recommendation},
author = {Xiaolong Liu and Liangwei Yang and Zhiwei Liu and Mingdai Yang and Chen Wang and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2310.13253},
year = {2024}
}
备注
10 pages, 5 figures, accepted by WSDM 2024